TEDxPenn
Vijay Kumar: The future of flying robots
Vijay Kumar: Budoucnost létajících robotů
Filmed:
Readability: 4.9
1,780,679 views
Vijay Kumar vytvořil se svým týmem v laboratoři na Pennsylvánské univerzitě autonomní létající roboty inspirované včelami. Jejich nejnovější objev: přesné zemědělství, při kterém roje robotů mapují, modelují a analyzují každou jednotlivou rostlinu nebo plod v sadu. Poskytují tak farmářům zásadní informace, které jim pomohou zvýšit výnosy a lépe hospodařit s vodou.
Vijay Kumar - Roboticist
As the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations. Full bio
As the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations. Full bio
Double-click the English transcript below to play the video.
00:13
In my lab, we build
autonomous aerial robots
autonomous aerial robots
0
1280
3656
V mé laboratoři stavíme
autonomní létající roboty
autonomní létající roboty
00:16
like the one you see flying here.
1
4960
1880
jako je ten, kterého tu vidíte létat.
00:20
Unlike the commercially available drones
that you can buy today,
that you can buy today,
2
8720
3696
Na rozdíl od komerčních dronů
00:24
this robot doesn't have any GPS on board.
3
12440
2640
tento robot nemá žádnou GPS.
00:28
So without GPS,
4
16160
1216
A bez GPS
00:29
it's hard for robots like this
to determine their position.
to determine their position.
5
17400
3280
je pro roboty těžké určit svou polohu.
00:34
This robot uses onboard sensors,
cameras and laser scanners,
cameras and laser scanners,
6
22240
4736
Tento robot používá palubní senzory,
kamery a laserové snímače
kamery a laserové snímače
00:39
to scan the environment.
7
27000
1696
a snímá jimi své okolí.
00:40
It detects features from the environment,
8
28720
3056
Rozpoznává prvky v okolním prostředí
00:43
and it determines where it is
relative to those features,
relative to those features,
9
31800
2736
a vzhledem k těmto prvkům
pak určuje svou polohu
pak určuje svou polohu
00:46
using a method of triangulation.
10
34560
2136
za použití triangulační metody.
00:48
And then it can assemble
all these features into a map,
all these features into a map,
11
36720
3456
Poté dokáže ze všeho,
co zjistil, poskládat mapu,
co zjistil, poskládat mapu,
00:52
like you see behind me.
12
40200
1736
jakou vidíte za mnou.
00:53
And this map then allows the robot
to understand where the obstacles are
to understand where the obstacles are
13
41960
3936
Tato mapa umožňuje robotovi
chápat, kde jsou překážky,
chápat, kde jsou překážky,
00:57
and navigate in a collision-free manner.
14
45920
2720
a při letu se vyhnout kolizím.
01:01
What I want to show you next
15
49160
2096
Teď vám ukážu několik experimentů,
01:03
is a set of experiments
we did inside our laboratory,
we did inside our laboratory,
16
51280
3216
které jsme provedli v naší laboratoři,
01:06
where this robot was able
to go for longer distances.
to go for longer distances.
17
54520
3480
kde mohl tento robot létat
na větší vzdálenosti než tady.
na větší vzdálenosti než tady.
01:10
So here you'll see, on the top right,
what the robot sees with the camera.
what the robot sees with the camera.
18
58400
5016
Vpravo nahoře vidíte,
co vidí robot svojí kamerou.
co vidí robot svojí kamerou.
01:15
And on the main screen --
19
63440
1216
A na hlavní ploše –
01:16
and of course this is sped up
by a factor of four --
by a factor of four --
20
64680
2456
ovšem ve čtyřnásobném zrychlení –
01:19
on the main screen you'll see
the map that it's building.
the map that it's building.
21
67160
2667
vidíte mapu, kterou si robot sestavuje.
01:21
So this is a high-resolution map
of the corridor around our laboratory.
of the corridor around our laboratory.
22
69851
4285
Je ve vysokém rozlišení a je to
mapa chodby kolem naší laboratoře.
mapa chodby kolem naší laboratoře.
01:26
And in a minute
you'll see it enter our lab,
you'll see it enter our lab,
23
74160
2336
Za chvilku už vletí do naší laboratoře –
01:28
which is recognizable
by the clutter that you see.
by the clutter that you see.
24
76520
2856
poznáte ji podle toho nepořádku.
01:31
(Laughter)
25
79400
1016
(Smích.)
01:32
But the main point I want to convey to you
26
80440
2007
Ale to hlavní, co jsem chtěl ukázat
01:34
is that these robots are capable
of building high-resolution maps
of building high-resolution maps
27
82472
3584
je, že tito roboti umí
vytvářet velmi přesné mapy
vytvářet velmi přesné mapy
01:38
at five centimeters resolution,
28
86080
2496
s rozlišením na pět centimetrů,
01:40
allowing somebody who is outside the lab,
or outside the building
or outside the building
29
88600
4176
takže člověk, který se nachází mimo
laboratoř nebo venku mimo budovu
laboratoř nebo venku mimo budovu
01:44
to deploy these
without actually going inside,
without actually going inside,
30
92800
3216
je může vypouštět,
aniž vůbec vstoupí dovnitř,
aniž vůbec vstoupí dovnitř,
01:48
and trying to infer
what happens inside the building.
what happens inside the building.
31
96040
3760
a může tak zjišťovat, co se v budově děje.
01:52
Now there's one problem
with robots like this.
with robots like this.
32
100400
2240
S podobnými roboty
je ale několik problémů.
je ale několik problémů.
01:55
The first problem is it's pretty big.
33
103600
2200
Především je dost velký.
01:58
Because it's big, it's heavy.
34
106120
1680
A protože je velký, je také těžký.
02:00
And these robots consume
about 100 watts per pound.
about 100 watts per pound.
35
108640
3040
Proto tito roboti spotřebují
na půl kilogramu asi 100 wattů.
na půl kilogramu asi 100 wattů.
02:04
And this makes for
a very short mission life.
a very short mission life.
36
112360
2280
Trvání jejich mise je proto velmi krátké.
02:08
The second problem
37
116000
1456
Druhý problém je,
02:09
is that these robots have onboard sensors
that end up being very expensive --
that end up being very expensive --
38
117480
3896
že mají na palubě velmi drahé senzory –
02:13
a laser scanner, a camera
and the processors.
and the processors.
39
121400
3440
laserový skener, kameru
a potřebné procesory.
a potřebné procesory.
02:17
That drives up the cost of this robot.
40
125280
3040
To neúnosně zvyšuje cenu robota.
02:21
So we asked ourselves a question:
41
129440
2656
Proto jsme si položili otázku:
02:24
what consumer product
can you buy in an electronics store
can you buy in an electronics store
42
132120
3776
jaký si můžete v obchodě s elektronikou
koupit výrobek,
koupit výrobek,
02:27
that is inexpensive, that's lightweight,
that has sensing onboard and computation?
that has sensing onboard and computation?
43
135920
6280
který je levný, lehký a má zabudované
senzory a schopnost provádět výpočty?
senzory a schopnost provádět výpočty?
02:36
And we invented the flying phone.
44
144080
2656
A tak jsme vynalezli létající mobil.
02:38
(Laughter)
45
146760
1936
(Smích.)
02:40
So this robot uses a Samsung Galaxy
smartphone that you can buy off the shelf,
smartphone that you can buy off the shelf,
46
148720
6176
Tento robot používá smartphone
Samsung Galaxy, který dostanete v obchodě,
Samsung Galaxy, který dostanete v obchodě,
02:46
and all you need is an app that you
can download from our app store.
can download from our app store.
47
154920
4016
a potřebujete jen aplikaci, kterou si
stáhnete z našeho app store.
stáhnete z našeho app store.
02:50
And you can see this robot
reading the letters, "TED" in this case,
reading the letters, "TED" in this case,
48
158960
4216
A vidíte, že náš robot čte písmena,
v tomto případě písmena "TED",
v tomto případě písmena "TED",
02:55
looking at the corners
of the "T" and the "E"
of the "T" and the "E"
49
163200
2936
dívá se na vrcholy písmen "T" a "E"
02:58
and then triangulating off of that,
flying autonomously.
flying autonomously.
50
166160
3480
a používá je k triangulaci, takže
může samostatně létat.
může samostatně létat.
03:02
That joystick is just there
to make sure if the robot goes crazy,
to make sure if the robot goes crazy,
51
170720
3256
Ten joystick tam je jen pro jistotu,
aby ho Giuseppe mohl zabít,
aby ho Giuseppe mohl zabít,
03:06
Giuseppe can kill it.
52
174000
1416
kdyby se robot zbláznil.
03:07
(Laughter)
53
175440
1640
(Smích.)
03:10
In addition to building
these small robots,
these small robots,
54
178920
3816
Kromě stavby těchto malých robotů
03:14
we also experiment with aggressive
behaviors, like you see here.
behaviors, like you see here.
55
182760
4800
experimentujeme také
s agresivním chováním, jako zde.
s agresivním chováním, jako zde.
03:19
So this robot is now traveling
at two to three meters per second,
at two to three meters per second,
56
187920
5296
Tento robot nyní letí
rychlostí 2-3 metry za sekundu
rychlostí 2-3 metry za sekundu
03:25
pitching and rolling aggressively
as it changes direction.
as it changes direction.
57
193240
3496
a při změně směru
sebou agresivně hází a natáčí se.
sebou agresivně hází a natáčí se.
03:28
The main point is we can have
smaller robots that can go faster
smaller robots that can go faster
58
196760
4256
To hlavní ale je, že můžeme mít
nemší roboty, kteří létají rychleji
nemší roboty, kteří létají rychleji
03:33
and then travel in these
very unstructured environments.
very unstructured environments.
59
201040
2960
a pouštět se s nimi do těchto
velmi neuspořádaných prostředí.
velmi neuspořádaných prostředí.
03:37
And in this next video,
60
205120
2056
Na dalším videu vidíte ptáka,
03:39
just like you see this bird, an eagle,
gracefully coordinating its wings,
gracefully coordinating its wings,
61
207200
5896
orla, který s grácií
koordinuje svá křídla, oči a pařáty
koordinuje svá křídla, oči a pařáty
03:45
its eyes and feet
to grab prey out of the water,
to grab prey out of the water,
62
213120
4296
při lovu kořisti z vody –
03:49
our robot can go fishing, too.
63
217440
1896
a náš robot může rybařit právě tak.
03:51
(Laughter)
64
219360
1496
(Smích.)
03:52
In this case, this is a Philly cheesesteak
hoagie that it's grabbing out of thin air.
hoagie that it's grabbing out of thin air.
65
220880
4056
V tomto případě ulovil
plněnou bagetu s masem a sýrem.
plněnou bagetu s masem a sýrem.
03:56
(Laughter)
66
224960
2400
(Smích.)
03:59
So you can see this robot
going at about three meters per second,
going at about three meters per second,
67
227680
3296
Takže máme robota letícího
rychlostí asi tři metry za sekundu,
rychlostí asi tři metry za sekundu,
04:03
which is faster than walking speed,
coordinating its arms, its claws
coordinating its arms, its claws
68
231000
5136
tedy více než rychlostí chůze,
který za letu na sekundu přesně koordinuje
který za letu na sekundu přesně koordinuje
04:08
and its flight with split-second timing
to achieve this maneuver.
to achieve this maneuver.
69
236160
4120
své končetiny a pařáty
při velmi složitém manévru.
při velmi složitém manévru.
04:14
In another experiment,
70
242120
1216
Další pokus ukazuje,
04:15
I want to show you
how the robot adapts its flight
how the robot adapts its flight
71
243360
3656
jak umí robot přizpůsobit svůj let,
04:19
to control its suspended payload,
72
247040
2376
když potřebuje ovládat zavěšený náklad.
04:21
whose length is actually larger
than the width of the window.
than the width of the window.
73
249440
3800
Závěs je totiž delší, než je rozměr okna.
04:25
So in order to accomplish this,
74
253680
1696
Aby to robot zvládl,
04:27
it actually has to pitch
and adjust the altitude
and adjust the altitude
75
255400
3696
musí se zhoupnout, upravit výšku
04:31
and swing the payload through.
76
259120
2320
a švihem dostat náklad do otvoru.
04:38
But of course we want
to make these even smaller,
to make these even smaller,
77
266920
2296
Rádi bychom je ovšem zmenšili ještě více,
04:41
and we're inspired
in particular by honeybees.
in particular by honeybees.
78
269240
3016
v tom nás nejvíce inspirovaly včely.
04:44
So if you look at honeybees,
and this is a slowed down video,
and this is a slowed down video,
79
272280
3256
Když se na včely podíváte –
tady jsou na zpomaleném videu –
tady jsou na zpomaleném videu –
04:47
they're so small,
the inertia is so lightweight --
the inertia is so lightweight --
80
275560
3720
jsou tak malé
a mají tak malou setrvačnou hmotnost,
a mají tak malou setrvačnou hmotnost,
04:51
(Laughter)
81
279960
1176
(Smích.)
04:53
that they don't care --
they bounce off my hand, for example.
they bounce off my hand, for example.
82
281160
3536
že je jim to jedno.
Klidně se odrazí třeba od mé hlavy.
Klidně se odrazí třeba od mé hlavy.
04:56
This is a little robot
that mimics the honeybee behavior.
that mimics the honeybee behavior.
83
284720
3160
Tohle je malý robot,
který napodobuje chování včel.
který napodobuje chování včel.
05:00
And smaller is better,
84
288600
1216
A menší znamená lepší,
05:01
because along with the small size
you get lower inertia.
you get lower inertia.
85
289840
3536
protože malé rozměry
znamenají malou setrvačnou hmotnost.
znamenají malou setrvačnou hmotnost.
05:05
Along with lower inertia --
86
293400
1536
A malá setrvačná hmotnost –
05:06
(Robot buzzing, laughter)
87
294960
2856
(Bzučení robota, smích.)
05:09
along with lower inertia,
you're resistant to collisions.
you're resistant to collisions.
88
297840
2816
znamená odolnost při kolizích.
05:12
And that makes you more robust.
89
300680
1720
A jste tedy odolnější.
05:15
So just like these honeybees,
we build small robots.
we build small robots.
90
303800
2656
A tak jsme postavili maličké roboty
právě jako ty včely.
právě jako ty včely.
05:18
And this particular one
is only 25 grams in weight.
is only 25 grams in weight.
91
306480
3376
Konkrétně tenhle váží jen 25 gramů,
05:21
It consumes only six watts of power.
92
309880
2160
má spotřebu jen šest wattů
05:24
And it can travel
up to six meters per second.
up to six meters per second.
93
312440
2536
a letí rychlostí až šest metrů za sekundu.
05:27
So if I normalize that to its size,
94
315000
2336
Pokud to přepočteme na jeho velikost,
05:29
it's like a Boeing 787 traveling
ten times the speed of sound.
ten times the speed of sound.
95
317360
3640
je to jako by Boeing 787 letěl
desetinásobkem rychlosti zvuku.
desetinásobkem rychlosti zvuku.
05:36
(Laughter)
96
324000
2096
(Smích.)
05:38
And I want to show you an example.
97
326120
1920
Ukážu vám příklad.
05:40
This is probably the first planned mid-air
collision, at one-twentieth normal speed.
collision, at one-twentieth normal speed.
98
328840
5256
Toto je možná první úmyslná
vzdušná srážka, dvacetkrát zpomalená.
vzdušná srážka, dvacetkrát zpomalená.
05:46
These are going at a relative speed
of two meters per second,
of two meters per second,
99
334120
2858
Vzájemná rychlost robotů
je dva metry za sekundu
je dva metry za sekundu
05:49
and this illustrates the basic principle.
100
337002
2480
a dobře to ilustruje základní princip.
05:52
The two-gram carbon fiber cage around it
prevents the propellers from entangling,
prevents the propellers from entangling,
101
340200
4976
Je tu dvougramová klec z uhlíkových
vláken, která brání kontaktu vrtulí,
vláken, která brání kontaktu vrtulí,
05:57
but essentially the collision is absorbed
and the robot responds to the collisions.
and the robot responds to the collisions.
102
345200
5296
ale jinak roboti náraz absorbují
a s kolizí se úspěšně vyrovnají.
a s kolizí se úspěšně vyrovnají.
06:02
And so small also means safe.
103
350520
2560
Takže malý znamený také bezpečný.
06:05
In my lab, as we developed these robots,
104
353400
2016
V mé laboratoři jsme vývoj začali
06:07
we start off with these big robots
105
355440
1620
u těch velkých robotů
06:09
and then now we're down
to these small robots.
to these small robots.
106
357084
2812
a nyní jsme přešli k malým.
06:11
And if you plot a histogram
of the number of Band-Aids we've ordered
of the number of Band-Aids we've ordered
107
359920
3456
A když si vyneseme do grafu,
kolik jsme objednávali leukoplasti dříve
kolik jsme objednávali leukoplasti dříve
06:15
in the past, that sort of tailed off now.
108
363400
2576
a kolik dnes, ta křivka se blíží nule –
06:18
Because these robots are really safe.
109
366000
1960
tito roboti jsou skutečně bezpeční.
06:20
The small size has some disadvantages,
110
368760
2456
Malé rozměry mají ovšem i některé nevýhody
06:23
and nature has found a number of ways
to compensate for these disadvantages.
to compensate for these disadvantages.
111
371240
4080
a příroda přišla na to,
jak je kompenzovat.
jak je kompenzovat.
06:27
The basic idea is they aggregate
to form large groups, or swarms.
to form large groups, or swarms.
112
375960
4000
Základní idea je sdružovat se
a tvořit velké skupiny, neboli roje.
a tvořit velké skupiny, neboli roje.
06:32
So, similarly, in our lab,
we try to create artificial robot swarms.
we try to create artificial robot swarms.
113
380320
3976
A podobně i v naší laboratoři
se snažíme vyvinout umělé robotí roje.
se snažíme vyvinout umělé robotí roje.
06:36
And this is quite challenging
114
384320
1381
A to je dost náročné,
06:37
because now you have to think
about networks of robots.
about networks of robots.
115
385725
3320
protože najednou musíte uvažovat
o síťově propojených robotech.
o síťově propojených robotech.
06:41
And within each robot,
116
389360
1296
A v každém z nich
06:42
you have to think about the interplay
of sensing, communication, computation --
of sensing, communication, computation --
117
390680
5616
musíte počítat se souhrou
vnímání, komunikace a výpočtů –
vnímání, komunikace a výpočtů –
06:48
and this network then becomes
quite difficult to control and manage.
quite difficult to control and manage.
118
396320
4960
a celá síť je pak
poměrně složitá na řízení a správu.
poměrně složitá na řízení a správu.
06:54
So from nature we take away
three organizing principles
three organizing principles
119
402160
3296
Z přírody jsme převzali
tři organizační principy,
tři organizační principy,
06:57
that essentially allow us
to develop our algorithms.
to develop our algorithms.
120
405480
3160
které nám v podstatě stačí
k vývoji našich algoritmů.
k vývoji našich algoritmů.
07:01
The first idea is that robots
need to be aware of their neighbors.
need to be aware of their neighbors.
121
409640
4536
První idea je, že roboti
musí vědět o svých sousedech.
musí vědět o svých sousedech.
07:06
They need to be able to sense
and communicate with their neighbors.
and communicate with their neighbors.
122
414200
3440
Musí své sousedy umět vnímat
a komunikovat s nimi.
a komunikovat s nimi.
07:10
So this video illustrates the basic idea.
123
418040
2656
Toto video ilustruje základní ideu.
07:12
You have four robots --
124
420720
1296
Máme čtyři roboty –
07:14
one of the robots has actually been
hijacked by a human operator, literally.
hijacked by a human operator, literally.
125
422040
4240
a teď zrovna jednoho z nich unesl
lidský operátor, doslova.
lidský operátor, doslova.
07:19
But because the robots
interact with each other,
interact with each other,
126
427217
2239
Ale protože roboti spolu interagují,
07:21
they sense their neighbors,
127
429480
1656
vnímají své sousedy,
07:23
they essentially follow.
128
431160
1296
v podstatě ho následují.
07:24
And here there's a single person
able to lead this network of followers.
able to lead this network of followers.
129
432480
5360
Takže jediný člověk
může vést celou síť následovatelů.
může vést celou síť následovatelů.
07:32
So again, it's not because all the robots
know where they're supposed to go.
know where they're supposed to go.
130
440000
5056
A opakuji, není to tím, že by
všichni roboti věděli, kam mají letět.
všichni roboti věděli, kam mají letět.
07:37
It's because they're just reacting
to the positions of their neighbors.
to the positions of their neighbors.
131
445080
4320
Jenom reagují na polohu svých sousedů.
07:43
(Laughter)
132
451720
4120
(Smích.)
07:48
So the next experiment illustrates
the second organizing principle.
the second organizing principle.
133
456280
5240
Další experiment ilustruje
druhý organizační princip.
druhý organizační princip.
07:54
And this principle has to do
with the principle of anonymity.
with the principle of anonymity.
134
462920
3800
Ten souvisí s principem anonymity.
07:59
Here the key idea is that
135
467400
4296
Klíčové zde je,
08:03
the robots are agnostic
to the identities of their neighbors.
to the identities of their neighbors.
136
471720
4240
že roboti se nestarají o identitu sousedů.
08:08
They're asked to form a circular shape,
137
476440
2616
Mají za úkol vytvořit kruhovou formaci
08:11
and no matter how many robots
you introduce into the formation,
you introduce into the formation,
138
479080
3296
a bez ohledu na to,
kolik robotů do formace vpustíte
kolik robotů do formace vpustíte
08:14
or how many robots you pull out,
139
482400
2576
nebo kolik jich odeberete,
08:17
each robot is simply
reacting to its neighbor.
reacting to its neighbor.
140
485000
3136
každý robot prostě reaguje na své sousedy.
08:20
It's aware of the fact that it needs
to form the circular shape,
to form the circular shape,
141
488160
4976
Ví, že má vytvořit kruh
08:25
but collaborating with its neighbors
142
493160
1776
a ve spolupráci se sousedy ho vytvoří
08:26
it forms the shape
without central coordination.
without central coordination.
143
494960
3720
bez centrální koordinace.
08:31
Now if you put these ideas together,
144
499520
2416
Když to spojíme dohromady,
08:33
the third idea is that we
essentially give these robots
essentially give these robots
145
501960
3896
třetí idea je dát robotům
08:37
mathematical descriptions
of the shape they need to execute.
of the shape they need to execute.
146
505880
4296
matematický popis tvarů,
které mají vytvořit.
které mají vytvořit.
08:42
And these shapes can be varying
as a function of time,
as a function of time,
147
510200
3496
Tvary se mohou v čase měnit
08:45
and you'll see these robots
start from a circular formation,
start from a circular formation,
148
513720
4496
a vidíte, jak roboti začínají u kruhu,
08:50
change into a rectangular formation,
stretch into a straight line,
stretch into a straight line,
149
518240
3256
mění ho na čtyřúhelník, pak přímku
08:53
back into an ellipse.
150
521520
1375
a zpět k elipse.
08:54
And they do this with the same
kind of split-second coordination
kind of split-second coordination
151
522919
3617
A dělají to se stejnou
bleskovou koordinací,
bleskovou koordinací,
08:58
that you see in natural swarms, in nature.
152
526560
3280
jakou vidíme
u přirozených rojů, v přírodě.
u přirozených rojů, v přírodě.
09:03
So why work with swarms?
153
531080
2136
A proč se roji vůbec zabývat?
09:05
Let me tell you about two applications
that we are very interested in.
that we are very interested in.
154
533240
4120
Řeknu vám o dvou uplatněních,
která nás velmi zajímají.
která nás velmi zajímají.
09:10
The first one has to do with agriculture,
155
538160
2376
První souvisí se zemědělstvím,
09:12
which is probably the biggest problem
that we're facing worldwide.
that we're facing worldwide.
156
540560
3360
asi největším problémem,
kterému celosvětově čelíme.
kterému celosvětově čelíme.
09:16
As you well know,
157
544760
1256
Jak víte,
09:18
one in every seven persons
in this earth is malnourished.
in this earth is malnourished.
158
546040
3520
každý sedmý člověk
na zemi trpí podvýživou.
na zemi trpí podvýživou.
09:21
Most of the land that we can cultivate
has already been cultivated.
has already been cultivated.
159
549920
3480
Většina půdy, kterou
lze obdělávat, se již obdělává.
lze obdělávat, se již obdělává.
09:25
And the efficiency of most systems
in the world is improving,
in the world is improving,
160
553960
3216
Ale zatímco efektivita
většiny systémů na Zemi roste,
většiny systémů na Zemi roste,
09:29
but our production system
efficiency is actually declining.
efficiency is actually declining.
161
557200
3520
efektivita zemědělské výroby klesá.
09:33
And that's mostly because of water
shortage, crop diseases, climate change
shortage, crop diseases, climate change
162
561080
4216
Je to dáno nedostatkem vody,
chorobami plodin, změnou klimatu
chorobami plodin, změnou klimatu
09:37
and a couple of other things.
163
565320
1520
a některými dalšími vlivy.
09:39
So what can robots do?
164
567360
1480
Jak by mohli roboti pomoci?
09:41
Well, we adopt an approach that's
called Precision Farming in the community.
called Precision Farming in the community.
165
569200
4616
Náš přístup nazýváme
přesné farmářství v dané komunitě.
přesné farmářství v dané komunitě.
09:45
And the basic idea is that we fly
aerial robots through orchards,
aerial robots through orchards,
166
573840
5376
Hlavní idea je, že pustíme roboty do sadů
09:51
and then we build
precision models of individual plants.
precision models of individual plants.
167
579240
3120
a vyhotovíme přesné modely
jednotlivých rostlin.
jednotlivých rostlin.
Podobně jako u personalizovaného
zdravotnictví,
zdravotnictví,
09:54
So just like personalized medicine,
168
582829
1667
09:56
while you might imagine wanting
to treat every patient individually,
to treat every patient individually,
169
584520
4816
kde si lze představit individuální
přístup ke každému pacientovi,
přístup ke každému pacientovi,
10:01
what we'd like to do is build
models of individual plants
models of individual plants
170
589360
3696
chceme vytvořit model každé rostliny
10:05
and then tell the farmer
what kind of inputs every plant needs --
what kind of inputs every plant needs --
171
593080
4136
a moci pak farmáři říkat,
jaké každá rostlina potřebuje vstupy –
jaké každá rostlina potřebuje vstupy –
10:09
the inputs in this case being water,
fertilizer and pesticide.
fertilizer and pesticide.
172
597240
4440
přičemž vstupy jsou zde
voda, hnojivo a pesticidy.
voda, hnojivo a pesticidy.
10:14
Here you'll see robots
traveling through an apple orchard,
traveling through an apple orchard,
173
602640
3616
Tady vidíte robota,
jak postupuje jabloňovým sadem
jak postupuje jabloňovým sadem
10:18
and in a minute you'll see
two of its companions
two of its companions
174
606280
2256
a za chviličku uvidíte dva jeho kolegy
10:20
doing the same thing on the left side.
175
608560
1810
jak dělají totéž na levé straně.
10:22
And what they're doing is essentially
building a map of the orchard.
building a map of the orchard.
176
610800
3656
A společně v podstatě vytvářejí mapu sadu.
10:26
Within the map is a map
of every plant in this orchard.
of every plant in this orchard.
177
614480
2816
Součástí mapy je i obraz každého stromu.
10:29
(Robot buzzing)
178
617320
1656
(Bzukot robotů.)
10:31
Let's see what those maps look like.
179
619000
1896
Podívejme se jak ty mapy vypadají.
10:32
In the next video, you'll see the cameras
that are being used on this robot.
that are being used on this robot.
180
620920
4296
Na dalším videu uvidíte kamery,
které na tomto robotu používáme.
které na tomto robotu používáme.
10:37
On the top-left is essentially
a standard color camera.
a standard color camera.
181
625240
3240
Vlevo nahoře je v podstatě
standardní barevná kamera,
standardní barevná kamera,
10:41
On the left-center is an infrared camera.
182
629640
3296
vlevo uprostřed je obraz
z infračervené kamery
z infračervené kamery
10:44
And on the bottom-left
is a thermal camera.
is a thermal camera.
183
632960
3776
a vlevo dole z termokamery.
10:48
And on the main panel, you're seeing
a three-dimensional reconstruction
a three-dimensional reconstruction
184
636760
3336
A na hlavní ploše vidíte vznikat
trojrozměrnou rekonstrukci
trojrozměrnou rekonstrukci
10:52
of every tree in the orchard
as the sensors fly right past the trees.
as the sensors fly right past the trees.
185
640120
6120
jednotlivých stromů v sadu,
jak kolem nich senzory prolétají.
jak kolem nich senzory prolétají.
10:59
Armed with information like this,
we can do several things.
we can do several things.
186
647640
4040
Vyzbrojeni těmito informacemi
pak můžeme dělat mnoho věcí.
pak můžeme dělat mnoho věcí.
11:04
The first and possibly the most important
thing we can do is very simple:
thing we can do is very simple:
187
652200
4256
První, a možná nejdůležitější,
je velmi jednoduchá:
je velmi jednoduchá:
11:08
count the number of fruits on every tree.
188
656480
2440
spočítat plody na každém stromě.
11:11
By doing this, you tell the farmer
how many fruits she has in every tree
how many fruits she has in every tree
189
659520
4536
Když farmáři řeknete,
kolik je na stromech plodů,
kolik je na stromech plodů,
11:16
and allow her to estimate
the yield in the orchard,
the yield in the orchard,
190
664080
4256
může odhadnout úrodu celého sadu
11:20
optimizing the production
chain downstream.
chain downstream.
191
668360
2840
a optimalizovat všech následující operace.
11:23
The second thing we can do
192
671640
1616
Druhá věc, kterou můžeme udělat,
11:25
is take models of plants, construct
three-dimensional reconstructions,
three-dimensional reconstructions,
193
673280
4496
jsou modely rostlin. Sestavíme
jejich trojrozměrné rekonstrukce
jejich trojrozměrné rekonstrukce
11:29
and from that estimate the canopy size,
194
677800
2536
a z nich odhadneme plošný průmět koruny.
11:32
and then correlate the canopy size
to the amount of leaf area on every plant.
to the amount of leaf area on every plant.
195
680360
3776
Ten pak vztáhneme
k celkové ploše listů na dané rostlině
k celkové ploše listů na dané rostlině
11:36
And this is called the leaf area index.
196
684160
2176
a získáme takzvaný index listové plochy.
11:38
So if you know this leaf area index,
197
686360
1936
A znáte-li index listové plochy,
11:40
you essentially have a measure of how much
photosynthesis is possible in every plant,
photosynthesis is possible in every plant,
198
688320
5456
máte měřítko toho,
nakolik je rostlina schopna fotosyntézy,
nakolik je rostlina schopna fotosyntézy,
11:45
which again tells you
how healthy each plant is.
how healthy each plant is.
199
693800
2880
a to zase vypovídá o tom, jak je zdravá.
11:49
By combining visual
and infrared information,
and infrared information,
200
697520
4216
Spojením vizuální
a infračervené složky můžeme vypočítat
a infračervené složky můžeme vypočítat
11:53
we can also compute indices such as NDVI.
201
701760
3296
také indikace jako NDVI –
normalizovaný diferenční vegetační index.
normalizovaný diferenční vegetační index.
11:57
And in this particular case,
you can essentially see
you can essentially see
202
705080
2816
V tomto konkrétním případě vidíte,
11:59
there are some crops that are
not doing as well as other crops.
not doing as well as other crops.
203
707920
3016
že se některým rostlinám
nevede tak dobře jako ostatním.
nevede tak dobře jako ostatním.
12:02
This is easily discernible from imagery,
204
710960
4056
To lze z pořízených obrazů jasně určit –
12:07
not just visual imagery but combining
205
715040
2216
ne pouze z viditelného obrazu,
12:09
both visual imagery and infrared imagery.
206
717280
2776
ale z jeho kombinace
s infračerveným zobrazením.
s infračerveným zobrazením.
12:12
And then lastly,
207
720080
1336
A dále nás zajímá možnost
12:13
one thing we're interested in doing is
detecting the early onset of chlorosis --
detecting the early onset of chlorosis --
208
721440
4016
zjistit chlorózu v raném stádiu –
12:17
and this is an orange tree --
209
725480
1496
tady je třeba pomerančovník.
12:19
which is essentially seen
by yellowing of leaves.
by yellowing of leaves.
210
727000
2560
Toto stádium se v podstatě
projevuje žloutnutím listů.
projevuje žloutnutím listů.
12:21
But robots flying overhead
can easily spot this autonomously
can easily spot this autonomously
211
729880
3896
Roboti pozorující strom shora
to snadno samostatně zjistí
to snadno samostatně zjistí
12:25
and then report to the farmer
that he or she has a problem
that he or she has a problem
212
733800
2936
a nahlásí farmáři,
že v dané části sadu
že v dané části sadu
12:28
in this section of the orchard.
213
736760
1520
je problém.
12:30
Systems like this can really help,
214
738800
2696
Podobné systémy mohou
skutečně pomoci, a my předpokládáme
skutečně pomoci, a my předpokládáme
12:33
and we're projecting yields
that can improve by about ten percent
that can improve by about ten percent
215
741520
5816
při použití rojů létajících robotů
možné zvýšení výnosů kolem deseti procent
možné zvýšení výnosů kolem deseti procent
12:39
and, more importantly, decrease
the amount of inputs such as water
the amount of inputs such as water
216
747360
3216
a hlavně pokles potřebných vstupů,
12:42
by 25 percent by using
aerial robot swarms.
aerial robot swarms.
217
750600
3280
například vody, o 25 procent.
12:47
Lastly, I want you to applaud
the people who actually create the future,
the people who actually create the future,
218
755200
5736
Na závěr bych vás požádal o potlesk
pro ty, kdo doslova tvoří budoucnost:
pro ty, kdo doslova tvoří budoucnost:
12:52
Yash Mulgaonkar, Sikang Liu
and Giuseppe Loianno,
and Giuseppe Loianno,
219
760960
4920
jsou to Yash Mulgaonkar,
Sikang Liu a Giuseppe Loianno,
Sikang Liu a Giuseppe Loianno,
12:57
who are responsible for the three
demonstrations that you saw.
demonstrations that you saw.
220
765920
3496
autoři těch tří demonstrací,
které jste viděli.
které jste viděli.
13:01
Thank you.
221
769440
1176
Děkuji vám.
13:02
(Applause)
222
770640
5920
(Potlesk.)
ABOUT THE SPEAKER
Vijay Kumar - RoboticistAs the dean of the University of Pennsylvania's School of Engineering and Applied Science, Vijay Kumar studies the control and coordination of multi-robot formations.
Why you should listen
At the General Robotics, Automation, Sensing and Perception (GRASP) Lab at the University of Pennsylvania, flying quadrotor robots move together in eerie formation, tightening themselves into perfect battalions, even filling in the gap when one of their own drops out. You might have seen viral videos of the quads zipping around the netting-draped GRASP Lab (they juggle! they fly through a hula hoop!). Vijay Kumar headed this lab from 1998-2004. He's now the dean of the School of Engineering and Applied Science at the University of Pennsylvania in Philadelphia, where he continues his work in robotics, blending computer science and mechanical engineering to create the next generation of robotic wonders.
Vijay Kumar | Speaker | TED.com